（Python数字图像处理）自适应中值滤波算法

一、实现方法

滤波算法主要包括均值滤波，高斯滤波，中值滤波和双边滤波。
每种算法都有自己的特点，建议从原理上了解每种算法的优缺点。上图给出简洁版的总结。
以下是代码：

import numpy as np
import cv2
import matplotlib.pyplot as plt
########     四个不同的滤波器    #########
img = cv2.imread('cat.jpg')

# 均值滤波
img_mean = cv2.blur(img, (5,5))

# 高斯滤波
img_Guassian = cv2.GaussianBlur(img,(5,5),0)

# 中值滤波
img_median = cv2.medianBlur(img, 5)

# 双边滤波
img_bilater = cv2.bilateralFilter(img,9,75,75)

# 展示不同的图片
titles = ['srcImg','mean', 'Gaussian', 'median', 'bilateral']
imgs = [img, img_mean, img_Guassian, img_median, img_bilater]

for i in range(5):
    plt.subplot(2,3,i+1)#注意，这和matlab中类似，没有0，数组下标从1开始
    plt.imshow(imgs[i])
    plt.title(titles[i])
plt.show()
 

二、代码
运行结果
一、实现方法
自适应中值滤波算法有两个处理层次：
**层次A：**若zmin 否则，增Sxy尺 寸，
若Sxy **层次B：**若zmin 既然是中值滤波，那处理椒盐这类冲激噪声肯定比较合适，自适应中值滤波能在有效去除冲激噪声的基础上，平滑其他非冲激噪声，减少失真，保留图像细节，而对于同等大小的中值滤波器，则会损失较多的细节。原理性内容书中有详细的介绍~
运行环境：Python+anaconda
直接上代码（因为是逐个像素操作，所以运行有点慢）

二、代码
# -*- coding:utf-8 -*-
"""
作者：YJH
日期：2021年10月19日
"""
import matplotlib.pyplot as plt
import cv2 as cv
import numpy as np
# from functools import reduce               # 导入reduce，将一个函数作用在一个序列上，并且序列内容自动累计

# 显示汉字
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 定义坐标数字字体及大小
def label_def():
    plt.xticks(fontproperties='Times New Roman', size=8)
    plt.yticks(fontproperties='Times New Roman', size=8)

# 读取图片
img_saltpep = cv.imread('ckt_saltpep_prob_pt25.tif', 0)               # 灰度图，噪声密度50%

def auto_median_filter(image, max_size):
    origen = 3                                                        # 初始窗口大小
    board = origen//2                                                 # 初始应扩充的边界
    # max_board = max_size//2                                         # 最大可扩充的边界
    copy = cv.copyMakeBorder(image, *[board]*4, borderType=cv.BORDER_DEFAULT)         # 扩充边界
    out_img = np.zeros(image.shape)
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            def sub_func(src, size):                         # 两个层次的子函数
                kernel = src[i:i+size, j:j+size]
                # print(kernel)
                z_med = np.median(kernel)
                z_max = np.max(kernel)
                z_min = np.min(kernel)
                if z_min < z_med < z_max:                                 # 层次A
                    if z_min < image[i][j] < z_max:                       # 层次B
                        return image[i][j]
                    else:
                        return z_med
                else:
                    next_size = cv.copyMakeBorder(src, *[1]*4, borderType=cv.BORDER_DEFAULT)   # 增尺寸
                    size = size+2                                        # 奇数的核找中值才准确
                    if size <= max_size:
                        return sub_func(next_size, size)     # 重复层次A
                    else:
                        return z_med
            out_img[i][j] = sub_func(copy, origen)
    return out_img

if __name__ == '__main__':                                       # 运行当前函数

    img_auto_filter = auto_median_filter(img_saltpep, 7)
    img_median = cv.medianBlur(img_saltpep, 7)
    # img_re_median = cv.medianBlur(img_auto_filter, 3)                           # 两次3x3的中值滤波效果才能差不多
    plt.subplot(131), plt.imshow(img_saltpep, "gray"), plt.title('椒盐噪声密度50%', fontsize='small'), label_def()
    plt.subplot(132), plt.imshow(img_auto_filter, "gray"), plt.title('自适应中值滤波', fontsize='small'), label_def()
    plt.subplot(133), plt.imshow(img_median, "gray"), plt.title('中值滤波', fontsize='small'), label_def()
    # plt.subplot(144), plt.imshow(img_re_median, "gray"), plt.title('再中值滤波', fontsize='small'), label_def()

    plt.show()